【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請實(shí)施例涉及計算機(jī)領(lǐng)域，具體而言，涉及一種基于因果推理的圖像分類方法及裝置。
技術(shù)介紹
1、在相關(guān)技術(shù)中，傳統(tǒng)的圖像分類算法在面對復(fù)雜多變的實(shí)際環(huán)境條件下，往往受到誤導(dǎo)性的環(huán)境因素影響，從而導(dǎo)致圖像分類的準(zhǔn)確性下降。因此，存在圖像分類準(zhǔn)確性較低的問題。
2、針對上述的問題，目前尚未提出有效的解決方案。
技術(shù)實(shí)現(xiàn)思路
1、本申請實(shí)施例提供了一種基于因果推理的圖像分類方法及裝置，以至少解決相關(guān)技術(shù)中基于因果推理的圖像分類準(zhǔn)確性較低的問題。
2、根據(jù)本申請的一個實(shí)施例，提供了一種基于因果推理的圖像分類方法，包括：獲取待分類的圖像數(shù)據(jù)；將上述圖像數(shù)據(jù)輸入訓(xùn)練好的圖像分類模型，其中，上述訓(xùn)練好的圖像分類模型是利用樣本支持集和樣本查詢集訓(xùn)練得到的圖像分類模型，上述圖像分類模型是通過因果推理來進(jìn)行圖像分類的神經(jīng)網(wǎng)絡(luò)模型，上述樣本支持集是利用多個第一圖像數(shù)據(jù)構(gòu)建的樣本集合，上述樣本查詢集是利用多個第一圖像數(shù)據(jù)和多個第二圖像數(shù)據(jù)構(gòu)建的樣本集合，上述多個第一圖像數(shù)據(jù)是對多個圖像樣本數(shù)據(jù)進(jìn)行分類后得到的、位于第一環(huán)境中的多個圖像數(shù)據(jù)，上述多個第二圖像數(shù)據(jù)是對上述多個圖像樣本數(shù)據(jù)進(jìn)行分類后得到的、位于第二環(huán)境中的多個圖像數(shù)據(jù)，上述樣本支持集中的圖像數(shù)據(jù)類別，與上述樣本查詢集中的圖像數(shù)據(jù)類別相同；獲取上述訓(xùn)練好的圖像分類模型輸出的圖像分類結(jié)果，其中，上述圖像分類結(jié)果用于表示上述圖像數(shù)據(jù)屬于的圖像數(shù)據(jù)類別。
3、根據(jù)本申請的另一個實(shí)施例，提供了一種基于因果推理的圖像分類
4、圖像獲取單元，用于獲取待分類的圖像數(shù)據(jù)；輸入單元，用于將上述圖像數(shù)據(jù)輸入訓(xùn)練好的圖像分類模型，其中，上述訓(xùn)練好的圖像分類模型是利用樣本支持集和樣本查詢集訓(xùn)練得到的圖像分類模型，上述圖像分類模型是通過因果推理來進(jìn)行圖像分類的神經(jīng)網(wǎng)絡(luò)模型，上述樣本支持集是利用多個第一圖像數(shù)據(jù)構(gòu)建的樣本集合，上述樣本查詢集是利用多個第一圖像數(shù)據(jù)和多個第二圖像數(shù)據(jù)構(gòu)建的樣本集合，上述多個第一圖像數(shù)據(jù)是對多個圖像樣本數(shù)據(jù)進(jìn)行分類后得到的、位于第一環(huán)境中的多個圖像數(shù)據(jù)，上述多個第二圖像數(shù)據(jù)是對上述多個圖像樣本數(shù)據(jù)進(jìn)行分類后得到的、位于第二環(huán)境中的多個圖像數(shù)據(jù)，上述樣本支持集中的圖像數(shù)據(jù)類別，與上述樣本查詢集中的圖像數(shù)據(jù)類別相同；第一獲取單元，用于獲取上述訓(xùn)練好的圖像分類模型輸出的圖像分類結(jié)果，其中，上述圖像分類結(jié)果用于表示上述圖像數(shù)據(jù)屬于的圖像數(shù)據(jù)類別。
5、根據(jù)本申請的另一個實(shí)施例，提供了一種基于因果推理的圖像分類模型訓(xùn)練方法，包括：獲取多個圖像樣本數(shù)據(jù)；對上述多個圖像樣本數(shù)據(jù)進(jìn)行分類，得到位于第一環(huán)境中的多個第一圖像數(shù)據(jù)，和位于第二環(huán)境中的多個第二圖像數(shù)據(jù)；利用上述多個第一圖像數(shù)據(jù)，構(gòu)建樣本支持集；利用上述多個第一圖像數(shù)據(jù)和上述多個第二圖像數(shù)據(jù)，構(gòu)建樣本查詢集，其中，上述樣本支持集中的圖像數(shù)據(jù)類別，與上述樣本查詢集中的圖像數(shù)據(jù)類別相同；通過上述樣本支持集和上述樣本查詢集，對初始的圖像分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分類模型，其中，上述圖像分類模型是通過因果推理來進(jìn)行圖像分類的神經(jīng)網(wǎng)絡(luò)模型。
6、根據(jù)本申請的另一個提供了一種基于因果推理的圖像分類模型訓(xùn)練裝置，包括：第二獲取單元，用于獲取多個圖像樣本數(shù)據(jù)；分類單元，用于對上述多個圖像樣本數(shù)據(jù)進(jìn)行分類，得到位于第一環(huán)境中的多個第一圖像數(shù)據(jù)，和位于第二環(huán)境中的多個第二圖像數(shù)據(jù)；第一構(gòu)建單元，用于利用上述多個第一圖像數(shù)據(jù)，構(gòu)建樣本支持集；第二構(gòu)建單元，用于利用上述多個第一圖像數(shù)據(jù)和上述多個第二圖像數(shù)據(jù)，構(gòu)建樣本查詢集，其中，上述樣本支持集中的圖像數(shù)據(jù)類別，與上述樣本查詢集中的圖像數(shù)據(jù)類別相同；訓(xùn)練單元，用于通過上述樣本支持集和上述樣本查詢集，對初始的圖像分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分類模型，其中，上述圖像分類模型是通過因果推理來進(jìn)行圖像分類的神經(jīng)網(wǎng)絡(luò)模型。
7、作為一種可選的方案，上述訓(xùn)練單元，包括：第一更新模塊，用于通過上述樣本支持集，更新上述初始的圖像分類模型中特征提取模塊的第一參數(shù)，直至滿足第一收斂條件，得到更新好的特征提取模塊，其中，上述特征提取模塊用于捕捉和表示因果特征；第二更新模塊，用于通過上述樣本查詢集，更新上述初始的圖像分類模型中圖像分類模塊的第二參數(shù)，直至滿足第二收斂條件，得到更新好的圖像分類模塊，其中，上述圖像分類模塊用于利用上述因果特征進(jìn)行圖像分類。
8、作為一種可選的方案，上述第一更新模塊，包括：第一獲取子模塊，用于獲取使用第一子參數(shù)表示當(dāng)前的特征提取器，和使用第二子參數(shù)表示當(dāng)前的因果分類器，其中，上述第一參數(shù)包括上述第一子參數(shù)和上述第二子參數(shù)，上述特征提取模塊包括上述特征提取器和上述因果分類器；第一提取子模塊，用于利用上述當(dāng)前的特征提取器，對上述樣本支持集中的圖像數(shù)據(jù)進(jìn)行特征提取，得到當(dāng)前的特征向量，其中，上述特征向量包括因果特征；第一分類子模塊，用于利用上述當(dāng)前的因果分類器，對上述當(dāng)前的特征向量進(jìn)行分類，得到當(dāng)前的預(yù)測結(jié)果；第一衡量子模塊，用于通過當(dāng)前的第一損失函數(shù)，衡量上述當(dāng)前的預(yù)測結(jié)果與上述樣本支持集中的圖像數(shù)據(jù)攜帶的數(shù)據(jù)標(biāo)簽之間的差異；第二獲取子模塊，用于在上述當(dāng)前的第一損失函數(shù)不滿足上述第一收斂條件的情況下，獲取更新后的第一子參數(shù)，和更新后的第二子參數(shù)，并將上述更新后的第一子參數(shù)表示的特征提取器作為上述當(dāng)前的特征提取器，和將上述更新后的第二子參數(shù)表示的因果分類器作為上述當(dāng)前的因果分類器；第二提取子模塊，用于在上述當(dāng)前的第一損失函數(shù)滿足上述第一收斂條件的情況下，將上述當(dāng)前的特征提取模塊確定為上述更新好的特征提取模塊。
9、作為一種可選的方案，上述第二更新模塊，包括：第三獲取子模塊，用于獲取上述更新好的特征提取模塊對上述樣本查詢集中的圖像數(shù)據(jù)，進(jìn)行特征提取后得到的樣本特征向量；輸入子模塊，用于將上述樣本特征向量輸入當(dāng)前的圖像分類模塊，得到上述當(dāng)前的圖像分類模塊輸出的當(dāng)前分類結(jié)果，其中，上述圖像分類模塊是通過上述第二參數(shù)的表示得到的；第二衡量子模塊，用于通過當(dāng)前的第二損失函數(shù)，衡量損失當(dāng)前分類結(jié)果與上述樣本查詢集中的圖像數(shù)據(jù)攜帶的數(shù)據(jù)標(biāo)簽之間的差異；第四獲取子模塊，用于在上述當(dāng)前的第二損失函數(shù)不滿足上述第二收斂條件的情況下，獲取更新后的第二參數(shù)，并將上述更新后的第二參數(shù)表示的圖像分類模塊作為上述當(dāng)前的圖像分類模塊；確定子模塊，用于在上述當(dāng)前的第二損失函數(shù)滿足上述第二收斂條件的情況下，將上述當(dāng)前的圖像分類模塊確定為上述更新好的圖像分類模塊。
10、作為一種可選的方案，上述分類單元，包括：獲取模塊，用于獲取上述多個圖像樣本數(shù)據(jù)中的各個圖像樣本數(shù)據(jù)對應(yīng)的多個混淆特征，其中，混淆特征是影響上述圖像分類模型泛化能力的特征；訓(xùn)練模塊，用于利用上述多個混淆特征，訓(xùn)練得到偏差分類器，其中，上述偏差分類器用于識別和分類由于上述混淆特征而導(dǎo)致的偏差；偏差分類模塊，用于利用上述偏差分類器，對上述多個圖像樣本數(shù)據(jù)進(jìn)行分類，得到上述多個第一圖像數(shù)據(jù)，和上述多個第二圖像數(shù)據(jù)。
11、作為一種可本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于因果推理的圖像分類方法，其特征在于，包括：
2.一種基于因果推理的圖像分類模型訓(xùn)練方法，其特征在于，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過所述樣本支持集和所述樣本查詢集，對初始的圖像分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分類模型，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述通過所述樣本支持集，更新所述初始的圖像分類模型中特征提取模塊的第一參數(shù)，直至滿足第一收斂條件，得到更新好的特征提取模塊，包括：
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述通過所述樣本查詢集，更新所述初始的圖像分類模型中圖像分類模塊的第二參數(shù)，直至滿足第二收斂條件，得到更新好的圖像分類模塊，包括：
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述利用所述偏差分類器，對所述多個圖像樣本數(shù)據(jù)進(jìn)行分類，得到所述多個第一圖像數(shù)據(jù)，和所述多個第二圖像數(shù)據(jù)，包括：
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述利用所述偏差分類器，對初始的劃分矩陣中的數(shù)據(jù)分布進(jìn)
9.根據(jù)權(quán)利要求7所述的方法，其特征在于，在所述利用所述偏差分類器，對初始的劃分矩陣中的數(shù)據(jù)分布進(jìn)行優(yōu)化，得到優(yōu)化后的劃分矩陣的過程中，所述方法還包括：
10.根據(jù)權(quán)利要求2至9中任一項所述的方法，其特征在于，所述通過所述樣本支持集和所述樣本查詢集，對初始的圖像分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分類模型，包括：
11.一種基于因果推理的圖像分類裝置，其特征在于，包括：
12.一種基于因果推理的圖像分類模型訓(xùn)練裝置，其特征在于，包括：
13.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，
14.一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，其特征在于，
15.一種電子設(shè)備，包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計算機(jī)程序，其特征在于，
...【技術(shù)特征摘要】
1.一種基于因果推理的圖像分類方法，其特征在于，包括：
2.一種基于因果推理的圖像分類模型訓(xùn)練方法，其特征在于，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過所述樣本支持集和所述樣本查詢集，對初始的圖像分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分類模型，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述通過所述樣本支持集，更新所述初始的圖像分類模型中特征提取模塊的第一參數(shù)，直至滿足第一收斂條件，得到更新好的特征提取模塊，包括：
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述通過所述樣本查詢集，更新所述初始的圖像分類模型中圖像分類模塊的第二參數(shù)，直至滿足第二收斂條件，得到更新好的圖像分類模塊，包括：
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述利用所述偏差分類器，對所述多個圖像樣本數(shù)據(jù)進(jìn)行分類，得到所述多個第一圖像數(shù)據(jù)，和所述多個第二圖像數(shù)據(jù)，包括...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王雨晴，王超，吳韶華，
申請(專利權(quán))人：蘇州元腦智能科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。